System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术涉及电力负荷预测,更具体的说是涉及一种基于元启发式算法优化的短期电力负荷预测方法、系统及存储介质。
技术介绍
1、日前居民用电负荷预测是电力系统电力调度和需求响应的关键,其中,随着电力系统信息掌握的需求较往日大幅增长,短期电力负荷预测的重要性更加凸显,高精度的短期电力负荷预测可以保证电力系统调度决策的准确性、缓解电力供需矛盾、保障电力系统运行的安全。
2、然而,现有的短期电力负荷预测方法主要采用传统统计学分析方法实现,基于传统统计学分析方法往往需要大量的数据准备工作,而且精度难以保证,随着深度学习的发展,如何采用深度学习模型对短期电力负荷进行准确预测成为主要研究方向,但是在面对电力负荷预测实际应用场景中海量的电力负荷数据时,尽管基于深度学习模型的电力负荷预测在某些方面具有一定的优势,但它并不能满足电力负荷预测中对稳定性的需求,同时在预测精度和计算成本上仍存在一些挑战。
3、因此,如何提供一种能够解决上述问题的基于元启发式算法优化的短期电力负荷预测方法及系统、可存储介质是本领域技术人员亟需解决的问题。
技术实现思路
1、有鉴于此,本专利技术提供了一种基于元启发式算法优化的短期电力负荷预测方法、系统及存储介质,用于解决现有的短期电力负荷预测方法在面对海量的电力负荷数据时,不能满足电力负荷预测中对稳定性的需求,同时在预测精度和计算成本上仍存在一些问题。
2、为了实现上述目的,本专利技术提供如下技术方案:
3、一方面,一种基于元启发
4、获取历史电力负荷数据以及与所述历史电力负荷数据关联的历史气象数据,构建历史数据集;
5、对所述历史数据集进行预处理,得到对应的初始特征数据集;
6、将所述初始特征数据集输入至预先构建的电力负荷短期预测模型进行预测,得到短期电力负荷预测结果;所述电力负荷短期预测模型包括依次连接的特征提取筛选模块和融合残差优化网络模块,所述融合残差优化网络模块由串联的迭代寻优模块和长短时记忆残差网络模块联合形成;其中,所述迭代寻优模块中的迭代寻优算法采用引入基于余弦演化的随机莱维飞行策略和精英逆向学习策略的鲸鱼优化算法。
7、优选地,所述对所述历史数据集进行预处理,得到对应的初始特征数据集的步骤包括:
8、利用预设的数据清洗策略对所述历史数据集中的异常值和缺失值进行数据清洗,得到对应的初始特征数据集,所述数据清洗策略包括拉格朗日插值法、取平均值和/或拉依达准则。
9、优选地,所述长短时记忆残差网络模块包括依次连接的输入层、堆叠残差模块、中间层和输出层。
10、优选地,所述将所述初始特征数据集输入至预先构建的电力负荷短期预测模型进行预测,得到短期电力负荷预测结果,包括:
11、采用所述特征提取筛选模块提取并筛选出所述初始特征数据集中的重要特征,得到重要特征集;
12、设置所述长短时记忆残差网络模块的模型超参数,所述模型超参数包括所述长短时记忆残差网络模块的隐藏节点个数、学习率和滤波器系数;将所述模型超参数输入迭代寻优模块,通过所述迭代寻优模块中的迭代寻优算法采用引入基于余弦演化的随机莱维飞行策略和精英逆向学习策略的鲸鱼优化算法对所述模型超参数进行迭代寻优,得到超参数最优解组合;
13、将所述超参数最优解组合和所述重要特征集输入长短时记忆残差网络模块进行预测,得到短期电力负荷预测结果。
14、优选地,所述特征提取筛选模块采用随机森林算法从所述初始特征数据集中筛选重要特征,得到重要特征集,具体为:
15、计算所述初始特征数据集中的特征重要度,并将所有的特征重要度按照预设的排序顺序进行排序,得到排序结果;
16、确定剔除比例,根据所述特征重要度,将排序结果中的特征按照所述剔除比例进行剔除,得到候选特征集;
17、若所述候选特征集的元素数量不满足预设特征数量条件,则循环执行上述步骤,根据所述剔除比例和特征重要度重新对候选特征集进行剔除,直至候选特征集中的元素数量满足预设特征数量条件;
18、计算所有候选特征集的袋外误差率,根据所述袋外误差率筛选出最优的候选特征集作为重要特征集,袋外误差率(ooberror)的计算公式为:
19、
20、式中,为第q棵树的袋外数据观测例数;i(g)为指示函数,即两值相等时取1,不等时取0;yb∈{0,1}为第b个观测的真实结果;为随机置换前第q棵树对oob数据第b个观测的预测结果;为随机置换后第q棵树对袋外数据第b个观测的预测结果。
21、优选地,所述通过所述迭代寻优模块中的迭代寻优算法采用引入基于余弦演化的随机莱维飞行策略和精英逆向学习策略的鲸鱼优化算法对所述模型超参数进行迭代寻优,得到超参数最优解组合的步骤包括:
22、根据预先定义的种群数量、迭代总次数和搜索空间界限,利用高斯映射生成分布均匀的初始种群;
23、对初始种群进行处理,生成逆解种群;
24、根据预先构建的适应度函数对所述初始种群中的每个原解种群和逆解种群的适应度值进行计算,得到解适应度值,并根据所述解适应度值,利用精英逆向学习策略从原解种群和逆解种群中选取满足预设适应度阈值的精英群体;
25、从所述精英群体的当前种群和反向种群中选取最佳个体作为下一轮迭代的最优子个体;
26、根据预先构建的适应度函数计算最优子个体对应的适应度值,得到最优适应度值,并确定最优适应度值对应的最优个体位置;
27、确定系数向量和状态判断系数,并判断所述系数向量的绝对值是否超过迭代总次数,若是,则判断所述状态判断系数是否超过预设状态阈值,若所述状态判断系数超过预设状态阈值,则对猎物进行包围;若所述状态判断系数未超过预设状态阈值,则采用基于余弦演化的随机莱维飞行策略将所述最优个体位置更新为当前全局最优位置;
28、判断当前迭代次数是否达到迭代总次数,若是,则根据当前全局最优位置获取输入参数最优解组合,所述参数最优解组合包括最优隐藏节点个数、最优学习率和最优滤波器系数;若否,则重新根据预先构建的适应度函数对所述初始种群中的每个原解种群和逆解种群的适应度值进行计算。
29、优选地,所述迭代寻优算法的适应度值为长短时记忆残差网络模块预测结果的均方误差,所述适应度函数具体为:
30、
31、式中,fit表示适应度值;n表示样本个数;yi表示第i个样本的观测值;xi表示第i个样本输出的预测值;p表示隐藏节点个数;l表示学习率;λ表示滤波器系数;
32、所述基于余弦演化的随机莱维飞行策略具体为:
33、
34、
35、
36、ζ=rand(0,1]
37、式中,l(s,γ,μ)表示余弦演化的随机莱维飞行路径;s表示莱维飞行的随机步长;γ表示常数;μ表示最小跳跃步本文档来自技高网...
【技术保护点】
1.一种基于元启发式算法优化的短期电力负荷预测方法,其特征在于,包括以下步骤:
2.根据权利要求1所述的一种基于元启发式算法优化的短期电力负荷预测方法,其特征在于,所述对所述历史数据集进行预处理,得到对应的初始特征数据集的步骤包括:
3.根据权利要求1所述的一种基于元启发式算法优化的短期电力负荷预测方法,其特征在于,所述长短时记忆残差网络模块包括依次连接的输入层、堆叠残差模块、中间层和输出层。
4.根据权利要求1所述的一种基于元启发式算法优化的短期电力负荷预测方法,其特征在于,所述将所述初始特征数据集输入至预先构建的电力负荷短期预测模型进行预测,得到短期电力负荷预测结果,包括:
5.根据权利要求4所述的一种基于元启发式算法优化的短期电力负荷预测方法,其特征在于,所述特征提取筛选模块采用随机森林算法从所述初始特征数据集中筛选重要特征,得到重要特征集,具体为:
6.根据权利要求4所述的一种基于元启发式算法优化的短期电力负荷预测方法,其特征在于,所述通过所述迭代寻优模块中的迭代寻优算法采用引入基于余弦演化的随机莱维飞行策略和精
7.根据权利要求6所述的一种基于元启发式算法优化的短期电力负荷预测方法,其特征在于,所述迭代寻优算法的适应度值为长短时记忆残差网络模块预测结果的均方误差,所述适应度函数具体为:
8.根据权利要求6所述的一种基于元启发式算法优化的短期电力负荷预测方法,其特征在于,所述基于余弦演化的随机莱维飞行策略具体为:
9.一种利用权利要求1-8任一项所述的基于元启发式算法优化的短期电力负荷预测方法的基于元启发式算法优化的短期电力负荷预测系统,其特征在于,包括:
10.一种计算机存储介质,其特征在于:所述计算机存储介质中存储有计算机程序,当所述计算机程序被运行时,实现如权利要求1至8任一项所述的方法。
...【技术特征摘要】
1.一种基于元启发式算法优化的短期电力负荷预测方法,其特征在于,包括以下步骤:
2.根据权利要求1所述的一种基于元启发式算法优化的短期电力负荷预测方法,其特征在于,所述对所述历史数据集进行预处理,得到对应的初始特征数据集的步骤包括:
3.根据权利要求1所述的一种基于元启发式算法优化的短期电力负荷预测方法,其特征在于,所述长短时记忆残差网络模块包括依次连接的输入层、堆叠残差模块、中间层和输出层。
4.根据权利要求1所述的一种基于元启发式算法优化的短期电力负荷预测方法,其特征在于,所述将所述初始特征数据集输入至预先构建的电力负荷短期预测模型进行预测,得到短期电力负荷预测结果,包括:
5.根据权利要求4所述的一种基于元启发式算法优化的短期电力负荷预测方法,其特征在于,所述特征提取筛选模块采用随机森林算法从所述初始特征数据集中筛选重要特征,得到重要特征集,具体为:
6.根据权利要求4所述的一种基于元启...
【专利技术属性】
技术研发人员:冯华,张伟峰,吴萍萍,叶子强,吴彬锋,詹子仪,陈俊仕,章寒冰,叶吉超,吴文俊,夏翔,赵汉鹰,杨世旺,孙研缤,徐璟,吴志华,应彩霞,张威,金梅芬,黄剑,徐晨阳,吕易佳,谢天佑,陈溪,汪力,
申请(专利权)人:国网浙江省电力有限公司丽水供电公司,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。